Документация

sys = nlarx(data,orders) оценивает, что нелинейная модель ARX соответствует данным данным об оценке с помощью заданных порядков модели ARX и выходной функции сети вейвлета по умолчанию. Используйте этот синтаксис, когда вы расширяете ARX линейная модель, или когда вы используете только регрессоры, которые линейны с последовательными задержками.

sys = nlarx(data,regressors) оценивает, что нелинейная модель ARX с помощью заданного регрессора установила regressors. Используйте этот синтаксис, когда у вас есть линейные регрессоры, которые имеют непоследовательные задержки, или когда у вас также есть полиномиальные регрессоры, пользовательские регрессоры или оба.

sys = nlarx(___,output_fcn) задает выходную функцию, которая сопоставляет регрессоры с выходом модели. Можно использовать этот синтаксис с любой из предыдущих комбинаций входных аргументов.

Задайте линейную модель

sys = nlarx(data,linmodel) использует линейную модель ARX linmodel задавать порядки модели и начальные значения линейных коэффициентов модели. Используйте этот синтаксис, когда это необходимо, чтобы создать нелинейную модель ARX как расширение, или улучшение на, существующую линейную модель.

sys = nlarx(data,linmodel,output_fcn) задает выходную функцию, чтобы использовать для оценки модели.

Совершенствуйте существующую модель

sys = nlarx(data,sys0) оценки или совершенствовали параметры нелинейной модели ARX sys0.

Используйте этот синтаксис для:

Оцените, что параметры модели ранее создали использование idnlarx конструктор. До оценки можно сконфигурировать свойства модели с помощью записи через точку.
Обновите параметры ранее предполагаемой модели, чтобы улучшить подгонку к данным об оценке. В этом случае алгоритм оценки использует параметры sys0 как исходные предположения.

Задайте опции

sys = nlarx(___,Options) задает дополнительные параметры конфигурации для оценки модели.

Примеры

Оцените нелинейную модель ARX

Загрузите данные об оценке.

load twotankdata;

Создайте iddata объект из данных об оценке с шагом расчета 0,2 секунд.

Ts = 0.2;
z = iddata(y,u,Ts);

Оцените нелинейную модель ARX с помощью порядков модели ARX задать регрессоры.

sysNL = nlarx(z,[4 4 1])

sysNL = 
Nonlinear ARX model with 1 output and 1 input
  Inputs: u1
  Outputs: y1

Regressors:
  Linear regressors in variables y1, u1
  List of all regressors

Output function: Wavelet Network with 11 units

Sample time: 0.2 seconds

Status:                                          
Estimated using NLARX on time domain data "z".   
Fit to estimation data: 96.84% (prediction focus)
FPE: 3.482e-05, MSE: 3.431e-05

sys использует wavenet по умолчанию функционируйте как выходную функцию.

Для сравнения вычислите линейную модель ARX с теми же порядками модели.

sysL = arx(z,[4 4 1]);

Сравните выходные параметры модели с исходными данными.

compare(z,sysNL,sysL)

Нелинейная модель имеет намного лучшую подгонку к данным, чем линейная модель.

Оцените нелинейную модель ARX Используя линейный набор регрессора

Задайте линейный регрессор, который эквивалентен матрице порядка модели ARX [4 4 1].

Матрица порядка [4 4 1] указывает, что оба набора регрессора ввода и вывода содержат четыре регрессора с задержками в пределах от 1 - 4. Например, $u_{1} (t - 2)$ представляет второй входной регрессор.

Задайте выход и введите имена.

output_name = 'y1';
input_name = 'u1';
names = {output_name,input_name};

Задайте выход и введите задержки.

output_lag = [1 2 3 4];
input_lag = [1 2 3 4];
lags = {output_lag,input_lag};

Создайте линейный объект регрессора.

lreg = linearRegressor(names,lags)

lreg = 
Linear regressors in variables y1, u1
       Variables: {'y1'  'u1'}
            Lags: {[1 2 3 4]  [1 2 3 4]}
     UseAbsolute: [0 0]
    TimeVariable: 't'

  Regressors described by this set

Загрузите данные об оценке и создайте объект iddata.

load twotankdata
z = iddata(y,u,0.2);

Оцените нелинейную модель ARX.

sys = nlarx(z,lreg)

sys = 
Nonlinear ARX model with 1 output and 1 input
  Inputs: u1
  Outputs: y1

Regressors:
  Linear regressors in variables y1, u1
  List of all regressors

Output function: Wavelet Network with 11 units

Sample time: 0.2 seconds

Status:                                          
Estimated using NLARX on time domain data "z".   
Fit to estimation data: 96.84% (prediction focus)
FPE: 3.482e-05, MSE: 3.431e-05

Просмотрите регрессоры

getreg(sys)

ans = 8×1 cell
    {'y1(t-1)'}
    {'y1(t-2)'}
    {'y1(t-3)'}
    {'y1(t-4)'}
    {'u1(t-1)'}
    {'u1(t-2)'}
    {'u1(t-3)'}
    {'u1(t-4)'}

Сравните выход модели с данными об оценке.

compare(z,sys)

Оцените нелинейную модель ARX от данных временных рядов

Создайте время и массивы данных.

dt = 0.01;
t = 0:dt:10;
y = 10*sin(2*pi*t)+rand(size(t));

Создайте iddata объект без входного сигнала задан.

z = iddata(y',[],dt);

Оцените нелинейную модель ARX.

sys = nlarx(z,2)

sys = 
Nonlinear time series model
  Outputs: y1

Regressors:
  Linear regressors in variables y1
  List of all regressors

Output function: Wavelet Network with 8 units

Sample time: 0.01 seconds

Status:                                          
Estimated using NLARX on time domain data "z".   
Fit to estimation data: 92.92% (prediction focus)
FPE: 0.2568, MSE: 0.2507

Задайте и настройте выходную функцию

Оцените нелинейную модель ARX, которая использует функцию отображения sigmoidnet как его выходная функция.

Загрузите данные и разделите их на наборы данных оценки и валидации ze и zv.

load twotankdata.mat u y
z = iddata(y,u,'Ts',0.2);
ze = z(1:1500);
zv = z(1501:end);

Сконфигурируйте sigmoidnet отображение функции. Зафиксируйте смещение к 0,2 и количество модулей к 15.

s = sigmoidnet;
s.Offset.Value = 0.2;
s. NonlinearFcn.NumberOfUnits = 15;

Создайте линейную спецификацию регрессора модели, которая содержит четыре выходных регрессора и пять входных регрессоров.

reg1 = linearRegressor({'y1','u1'},{1:4,0:4});

Создайте полиномиальную спецификацию регрессора модели, которая содержит квадраты двух входных условий и трех выходных условий.

reg2 = polynomialRegressor({'y1','u1'},{1:2,0:2},2);

Установите опции оценки для метода поиска и максимального количества итераций.

opt = nlarxOptions('SearchMethod','fmincon')';
opt.SearchOptions.MaxIterations = 40;

Оцените нелинейную модель ARX.

sys = nlarx(ze,[reg1;reg2],s,opt);

Подтвердите sys путем сравнения симулированного ответа модели на набор данных валидации.

compare(zv,sys)

Добавьте выходную функцию, чтобы расширить и улучшить линейную модель

Оцените линейную модель и улучшите модель путем добавления treepartition выходная функция.

Загрузите данные об оценке.

load throttledata ThrottleData

Оцените линейную модель ARX linsys с порядками [2 2 1].

linsys = arx(ThrottleData,[2 2 1]);

Создайте idnlarx обработайте по шаблону модель, которая использует linsys и задает sigmoidnet как выходная функция.

sys0 = idnlarx(linsys,treepartition);

Зафиксируйте линейный компонент sys0 так, чтобы во время оценки, линейного фрагмента sys0 остается идентичным linsys.

sys0.OutputFcn.LinearFcn.Free = false;

Оцените свободные параметры sys0, которые являются нелинейными параметрами функции и смещением.

sys = nlarx(ThrottleData,sys0);

Сравните подходящую точность для линейных и нелинейных моделей.

compare(ThrottleData,linsys,sys)

Оцените нелинейную модель ARX Используя пользовательский объект отображения сети

Открыть скрипт

Генерация пользовательского объекта отображения сети требует определения пользовательской модульной функции.

Задайте модуль, функционируют и сохраняют его как gaussunit.m.


% Copyright 2015 The MathWorks, Inc.

function [f, g, a] = gaussunit(x)
f = exp(-x.*x);
if nargout>1
  g = -2*x.*f;
  a = 0.2;
end

Создайте пользовательский объект отображения сети использование указателя на gaussunit функция.

H = @gaussunit;
CNet = customnet(H);

Загрузите данные об оценке.

load iddata1;

Оцените нелинейную модель ARX с помощью пользовательской сети.

sys = nlarx(z1,[1 2 1],CNet)

sys = 

<strong>Nonlinear ARX model with 1 output and 1 input</strong>
  Inputs: u1
  Outputs: y1

Regressors:
  Linear regressors in variables y1, u1

Output function: Custom Network with 10 units

Sample time: 0.1 seconds

Status:                                          
Estimated using NLARX on time domain data "z1".  
Fit to estimation data: 64.35% (prediction focus)
FPE: 3.58, MSE: 2.465

Оцените MIMO нелинейная модель ARX

Загрузите данные об оценке.

load motorizedcamera;

Создайте iddata объект.

z = iddata(y,u,0.02,'Name','Motorized Camera','TimeUnit','s');

z iddata объект с шестью входными параметрами и двумя выходными параметрами.

Задайте порядки модели.

Orders = [ones(2,2),2*ones(2,6),ones(2,6)];

Задайте различные функции отображения для каждого выходного канала.

NL = [wavenet('NumberOfUnits',2),linear];

Оцените нелинейную модель ARX.

sys = nlarx(z,Orders,NL)

sys = 
Nonlinear ARX model with 2 outputs and 6 inputs
  Inputs: u1, u2, u3, u4, u5, u6
  Outputs: y1, y2

Regressors:
  Linear regressors in variables y1, y2, u1, u2, u3, u4, u5, u6
  List of all regressors

Output functions:
  Output 1: Wavelet Network with 2 units
  Output 2: Linear Function

Sample time: 0.02 seconds

Status:                                                      
Estimated using NLARX on time domain data "Motorized Camera".
Fit to estimation data: [98.72;98.77]% (prediction focus)    
FPE: 0.5719, MSE: 1.061

Оцените MIMO нелинейная модель ARX с той же функцией отображения для всех Выходных параметров

Загрузите данные об оценке и создайте iddata объект zZ содержит два выходных канала и шесть входных каналов.

load motorizedcamera;
z = iddata(y,u,0.02);

Задайте набор линейных регрессоров, который использует выход и входные имена от z и содержит:

2 выходных регрессора с 1 задержкой.
6 входных пар регрессора с 1 и 2 задержками.

names = [z.OutputName; z.InputName];
lags = {1,1,[1,2],[1,2],[1,2],[1,2],[1,2],[1,2]};
reg = linearRegressor(names,lags);

Оцените нелинейную модель ARX с помощью sigmoidnet отображение функции с четырьмя модулями для всех выходных каналов.

sys = nlarx(z,reg,sigmoidnet(4))

sys = 
Nonlinear ARX model with 2 outputs and 6 inputs
  Inputs: u1, u2, u3, u4, u5, u6
  Outputs: y1, y2

Regressors:
  Linear regressors in variables y1, y2, u1, u2, u3, u4, u5, u6
  List of all regressors

Output functions:
  Output 1: Sigmoid Network with 4 units
  Output 2: Sigmoid Network with 4 units

Sample time: 0.02 seconds

Status:                                                  
Estimated using NLARX on time domain data "z".           
Fit to estimation data: [98.86;98.79]% (prediction focus)
FPE: 2.641, MSE: 0.9233

Задайте линейные, полиномиальные, и пользовательские регрессоры

Загрузите данные об оценке z1, который имеет вход того и один выход, и получите выход и введите имена.

load iddata1 z1;
names = [z1.OutputName z1.InputName]

names = 1×2 cell
    {'y1'}    {'u1'}

Задайте L как набор линейных регрессоров, который представляет $y_{1} (t - 1)$ , $u_{1} (t - 2)$ , и $u_{1} (t - 5)$ .

L = linearRegressor(names,{1,[2 5]});

Задайте P как полиномиальный регрессор ${y_{1} (t - 1)}^{2}$ .

P = polynomialRegressor(names(1),1,2);

Задайте C как пользовательский регрессор $y_{1} (t - 2)$ $u_{1} (t - 3)$ . Используйте указатель анонимной функции, чтобы задать эту функцию.

C = customRegressor(names,{2 3},@(x,y)x.*y)

C = 
Custom regressor: y1(t-2).*u1(t-3)
    VariablesToRegressorFcn: @(x,y)x.*y
                  Variables: {'y1'  'u1'}
                       Lags: {[2]  [3]}
                 Vectorized: 1
               TimeVariable: 't'

  Regressors described by this set

Объедините регрессоры в вектор-столбце R.

R = [L;P;C]

R=3×1 object
[3 1] array of linearRegressor, polynomialRegressor, customRegressor objects.
------------------------------------
1. Linear regressors in variables y1, u1
       Variables: {'y1'  'u1'}
            Lags: {[1]  [2 5]}
     UseAbsolute: [0 0]
    TimeVariable: 't'

------------------------------------
2. Order 2 regressors in variables y1
               Order: 2
           Variables: {'y1'}
                Lags: {[1]}
         UseAbsolute: 0
    AllowVariableMix: 0
         AllowLagMix: 0
        TimeVariable: 't'

------------------------------------
3. Custom regressor: y1(t-2).*u1(t-3)
    VariablesToRegressorFcn: @(x,y)x.*y
                  Variables: {'y1'  'u1'}
                       Lags: {[2]  [3]}
                 Vectorized: 1
               TimeVariable: 't'

  Regressors described by this set

Оцените нелинейную модель ARX с R.

sys = nlarx(z1,R)

sys = 
Nonlinear ARX model with 1 output and 1 input
  Inputs: u1
  Outputs: y1

Regressors:
  1. Linear regressors in variables y1, u1
  2. Order 2 regressors in variables y1
  3. Custom regressor: y1(t-2).*u1(t-3)
  List of all regressors

Output function: Wavelet Network with 1 unit

Sample time: 0.1 seconds

Status:                                          
Estimated using NLARX on time domain data "z1".  
Fit to estimation data: 59.73% (prediction focus)
FPE: 3.356, MSE: 3.147

Просмотрите полный набор регрессора.

getreg(sys)

ans = 5×1 cell
    {'y1(t-1)'         }
    {'u1(t-2)'         }
    {'u1(t-5)'         }
    {'y1(t-1)^2'       }
    {'y1(t-2).*u1(t-3)'}

Оцените нелинейную модель ARX без линейного члена в выходной функции

Загрузите данные об оценке.

load iddata1;

Создайте сигмоидальный объект отображения сети с 10 модулями и никаким линейным членом.

SN = sigmoidnet(10,false);

Оцените нелинейную модель ARX. Подтвердите, что модель не использует линейную функцию.

sys = nlarx(z1,[2 2 1],SN);
sys.OutputFcn.LinearFcn.Use

ans = logical
   0

Задайте нелинейные порядки ARX и линейные параметры Используя линейную модель ARX

Загрузите данные об оценке.

load throttledata;

Детрендируйте данные.

Tr = getTrend(ThrottleData);
Tr.OutputOffset = 15;
DetrendedData = detrend(ThrottleData,Tr);

Оцените линейную модель ARX.

LinearModel = arx(DetrendedData,[2 1 1]);

Оцените нелинейную модель ARX с помощью линейной модели. Порядки модели, задержки и линейные параметры NonlinearModel выведены из LinearModel.

NonlinearModel = nlarx(ThrottleData,LinearModel)

NonlinearModel = 
Nonlinear ARX model with 1 output and 1 input
  Inputs: Step Command
  Outputs: Throttle Valve Position

Regressors:
  Linear regressors in variables Throttle Valve Position, Step Command
  List of all regressors

Output function: Wavelet Network with 7 units

Sample time: 0.01 seconds

Status:                                                  
Estimated using NLARX on time domain data "ThrottleData".
Fit to estimation data: 99.03% (prediction focus)        
FPE: 0.1127, MSE: 0.1039

Оцените нелинейную модель ARX Используя созданный `idnlarx` Объект

Загрузите данные об оценке.

load iddata1;

Создайте idnlarx модель.

sys = idnlarx([2 2 1]);

Сконфигурируйте модель с помощью записи через точку для:

Используйте сигмоидальный объект отображения сети.
Присвойте имя.

sys.Nonlinearity = 'sigmoidnet';
sys.Name = 'Model 1';

Оцените нелинейную модель ARX со структурой и свойствами, заданными в idnlarx объект.

sys = nlarx(z1,sys)

sys = 
Nonlinear ARX model with 1 output and 1 input
  Inputs: u1
  Outputs: y1

Regressors:
  Linear regressors in variables y1, u1
  List of all regressors

Output function: Sigmoid Network with 10 units

Name: Model 1
Sample time: 0.1 seconds

Status:                                          
Estimated using NLARX on time domain data "z1".  
Fit to estimation data: 69.03% (prediction focus)
FPE: 2.918, MSE: 1.86

Оцените нелинейную модель ARX и избегайте локальных минимумов

Если оценка останавливается в локальном минимуме, можно встревожить модель с помощью init и повторно оцените модель.

Загрузите данные об оценке.

load iddata1;

Оцените первоначальную нелинейную модель.

sys1 = nlarx(z1,[4 2 1],'sigmoidnet');

Случайным образом встревожьте параметры модели, чтобы избежать локальных минимумов.

sys2 = init(sys1);

Оцените новую нелинейную модель со встревоженными значениями.

sys2 = nlarx(z1,sys1);

Оцените нелинейную модель ARX Используя определенные опции

Загрузите данные об оценке.

load twotankdata;

Создайте iddata объект из данных об оценке.

z = iddata(y,u,0.2);

Создайте nlarxOptions набор опции, задающий ошибочную цель минимизации симуляции и максимум 50 итераций оценки.

opt = nlarxOptions;
opt.Focus = 'simulation';
opt.SearchOptions.MaxIterations = 50;

Оцените нелинейную модель ARX.

sys = nlarx(z,[4 4 1],'sigmoidnet',opt)

sys = 
Nonlinear ARX model with 1 output and 1 input
  Inputs: u1
  Outputs: y1

Regressors:
  Linear regressors in variables y1, u1
  List of all regressors

Output function: Sigmoid Network with 10 units

Sample time: 0.2 seconds

Status:                                          
Estimated using NLARX on time domain data "z".   
Fit to estimation data: 88.79% (simulation focus)
FPE: 3.341e-05, MSE: 0.0004307

Оцените упорядоченную нелинейную модель ARX с большим количеством модулей

Загрузите данные о регуляризации в качестве примера.

load regularizationExampleData.mat nldata;

Создайте sigmoidnet отображение объекта с 30 модулями и задает порядки модели.

MO = sigmoidnet(30);
Orders = [1 2 1];

Создайте набор опции оценки и установите метод поиска оценки для lm.

opt = nlarxOptions('SearchMethod','lm');

Оцените неупорядоченную модель.

sys = nlarx(nldata,Orders,MO,opt);

Сконфигурируйте регуляризацию Lambda параметр.

opt.Regularization.Lambda = 1e-8;

Оцените упорядоченную модель.

sysR = nlarx(nldata,Orders,MO,opt);

Сравните эти две модели.

compare(nldata,sys,sysR)

Большой отрицательный результат подгонки для неупорядоченной модели указывает на плохую подгонку к данным. Оценка упорядоченной модели приводит к значительно лучшему результату.

Входные параметры

`data` — Данные об оценке временного интервала
`iddata` возразите | числовая матрица

Данные об оценке временного интервала в виде iddata возразите или числовая матрица.

Если data iddata объект, затем data может иметь один или несколько выходных каналов и нуля или более входных каналов.
Если data числовая матрица, затем количество столбцов данных должно совпадать с суммой количества входных параметров (_nu) и количество выходных параметров (_ny.

data должен быть однородно произведен и не может содержать то, чтобы избегать (NaNВыборки.

`orders` — Порядки модели ARX
`nlarx` порядки `[na nb nk]`

Модель ARX заказывает в виде матричного [na nb nk]нет данных обозначает количество задержанных выходных параметров, nb обозначает количество задержанных входных параметров и nk обозначает минимальную входную задержку. Минимальная выходная задержка фиксируется к 1. Для получения дополнительной информации о том, как создать orders матрица, смотрите arx.

Когда вы задаете orders, программное обеспечение преобразует информацию для заказа в линейную форму регрессора в idnlarx Regressors свойство. Для примера смотрите, Создают Нелинейную Модель ARX Используя Порядки Модели ARX.

`regressors` — Спецификация регрессора
`linearRegressor` возразите | `polynomialRegressor` возразите | `customRegressor` возразите | массив столбца объектов спецификации регрессора

Спецификация регрессора в виде вектор-столбца, содержащего один или несколько объектов спецификации регрессора, которые являются linearRegressor объекты, polynomialRegressor объекты и customRegressor объекты. Каждый объект задает формулу для генерации регрессоров от изолированных переменных. Например:

L = linearRegressor({'y1','u1'},{1,[2 5]}) генерирует регрессоры _y1 (t –1), _u1 (t –2), и _u2 (t –5).
P = polynomialRegressor('y2',4:7,2) генерирует регрессоры _y2 (t –4) ², _y2 (t –5) ², _y2 (t –6) ², и _y2 (t –7) ².
C = customRegressor({'y1','u1','u2'},{1 2 2},@(x,y,z)sin(x.*y+z)) генерирует один sin регрессора (_y1 (t –1) _u1 (t –2) +_u2 (t –2)).

Когда вы создаете набор регрессора, чтобы поддержать оценку с iddata объект, можно использовать имена ввода и вывода объекта, а не создать имена для функции регрессора. Например, предположите, что вы создаете линейный регрессор для модели, планируете использовать iddata объект z оценить модель. Можно использовать следующую команду, чтобы создать линейный регрессор.

L = linearRegressor([z.outputName;z.inputName],{1,[2 5]})

Для примера создания и использования SISO линейный набор регрессора, смотрите Оценку Нелинейная Модель ARX Используя Линейный Набор Регрессора. Для примера создания MIMO линейный набор регрессора, который получает имена переменных из набора данных оценки, видит Оценку MIMO Нелинейная Модель ARX с Той же Функцией Отображения для Всех Выходных параметров.

`output_fcn` Выходная функция
`'wavenet'` (значение по умолчанию) | `'linear'` | `[]` | `''` | `'sigmoidnet'` | `'treepartition'` | `'neuralnet'` | `'customnet'` | отображение объекта | массив отображения объектов

Выходная функция, которая сопоставляет регрессоры idnlarx модель в выход модели в виде массива столбца, содержащего нуль или больше следующих строк или объектов:

`'wavenet'` или `wavenet` объект	Сеть Wavelet
`'linear'` или `''` или `[]` или `linear` объект	Линейная функция
`'sigmoidnet'` или `sigmoidnet` объект	Сигмоидальная сеть
`'treepartition'` или `treepartition` объект	Модель регрессии раздела двоичного дерева
`neuralnet` объект	Нейронная сеть — Сеть прямого распространения Deep Learning Toolbox™.
`customnet` объект	Пользовательская сеть — Подобно `sigmoidnet`, но с пользовательской заменой для сигмоидальной функции.

Используйте строку, такую как 'sigmoidnet', использовать свойства по умолчанию функционального объекта отображения. Используйте сам объект, такой как sigmoidnet, когда это необходимо, сконфигурировать свойства объекта отображения.

wavenet, sigmoidnet, treepartion, и customnet объекты содержат и линейные и нелинейные компоненты. Можно удалить (не, используют), линейные компоненты wavenet, sigmoidnet, и customnet путем установки LinearFcn.Use значение к false.

neuralnet функция имеет только нелинейный компонент, который является network Объект (Deep Learning Toolbox) Deep Learning Toolbox. Линейная функция, когда имя подразумевает, имеет только линейный компонент.

output_fcn является статическим в этом, это зависит только от значений данных в определенное время, но не непосредственно вовремя его. Например, если выходная функция y (t) равна _y0 + _a1 y (t –1) + _a2 y (t –2) + … _b1 u (t –1) + _b2 u (t –2) + …, то output_fcn линейная функция что linear отображение объекта представляет.

Определение вектора символов, например, 'sigmoidnet', создает объект отображения с настройками по умолчанию. В качестве альтернативы можно задать свойства объектов отображения двумя способами:

Создайте объект отображения использование аргументов, чтобы изменить свойства по умолчанию.
```
MO = sigmoidnet(15);
```
Создайте отображение значения по умолчанию, возражают сначала и затем используют запись через точку, чтобы изменить свойства.
```
MO = sigmoidnet;
MO.NumberOfUnits = 15;
```

Для _ny каналы выхода можно задать объекты отображения индивидуально для каждого канала установкой output_fcn к массиву объектов отображения _ny. Например, следующий код задает OutputFcn использование записи через точку для системы с двумя входными каналами и двумя выходными каналами.

sys = idnlarx({'y1','y2'},{'u1','u2'});
sys.OutputFcn = [wavenet; sigmoidnet];

Чтобы задать то же отображение для всех выходных параметров, задайте OutputFcn как вектор символов или один объект отображения.

output_fcn представляет статическую функцию отображения, которая преобразовывает регрессоры нелинейной модели ARX в выход модели. output_fcn является статическим, потому что это не зависит вовремя. Например, если $y (t) = y_{0} + a_{1} y (t - 1) + a_{2} y (t - 2) + \dots + b_{1} u (t - 1) + b_{2} u (t - 2) + \dots$ , затем output_fcn линейная функция, представленная linear объект.

Для примера определения выходной функции смотрите, Задают и Настраивают Выходную функцию.

`linmodel` — Дискретное время линейная модель
`idpoly` объект | `idss` объект | `idtf` объект | `idproc` объект

Дискретное время идентифицировало ввод/вывод линейная модель в виде любой линейной модели, созданной с помощью средства оценки такой как arx, armax, tfest, или ssest. Например, чтобы создать пространство состояний idss модель, оцените использование модели ssest.

`sys0` — Нелинейная модель ARX
`idnlarx` модель

Нелинейная модель ARX в виде idnlarx модель. sys0 может быть:

Модель ранее оценила использование nlarx. Алгоритм оценки использует параметры sys0 как исходные предположения. В этом случае использовать init немного встревожить свойства модели постараться не захватывать модель в локальных минимумах.
```
sys = init(sys);
sys = nlarx(data,sys);
```
Модель ранее создала использование idnlarx конструктор и с набором свойств с помощью записи через точку. Например, используйте следующее, чтобы создать объект idnlarx, установить его свойства и оценить модель.
```
sys1 = idnlarx('y1','u1',Regressors);
sys1.OutputFcn = 'treepartition';
sys1.Ts = 0.02;
sys1.TimeUnit = 'Minutes';
sys1.InputName = 'My Data';
sys2 = nlarx(data,sys1);
```
Предыдущий код эквивалентен следующей nlarx команде.
```
sys2 = nlarx(data,Regressors,'treepartition','Ts',0.02,'TimeUnit','Minutes', ...
'InputName','My Data');
```

`Options` — Опции оценки
`nlarxOptions` опция установлена

Опции оценки для нелинейной идентификации модели ARX в виде nlarxOptions опция установлена.

Выходные аргументы

`sys` — Нелинейная модель ARX
`idnlarx` объект

Нелинейная модель ARX, которая соответствует данным данным об оценке, возвратилась как idnlarx объект. Эта модель создается с помощью заданных порядков модели, средства оценки нелинейности и опций оценки.

Информация о результатах оценки и используемых опциях хранится в Report свойство модели. Содержимое Report зависьте от выбора нелинейности, и оценка фокусируют вас заданный для nlarx. Report имеет следующие поля:

Сообщите о поле Описание

Status

Сводные данные состояния модели, которое указывает, была ли модель создана конструкцией или получена оценкой.

Method

Команда оценки используется.

Fit

Количественная оценка оценки, возвращенной как структура. Смотрите Функцию потерь и Метрики качества Модели для получения дополнительной информации об этих метриках качества. Структура имеет следующие поля:

Поле	Описание
`FitPercent`	Мера по нормированной среднеквадратической ошибке (NRMSE) того, как хорошо ответ модели соответствует данным об оценке, описанным как процент `fit` = 100 (1-NRMSE).
`LossFcn`	Значение функции потерь, когда оценка завершается.
`MSE`	Мера по среднеквадратической ошибке (MSE) того, как хорошо ответ модели соответствует данным об оценке.
`FPE`	Итоговая ошибка предсказания для модели.
`AIC`	Необработанная мера по Критериям информации о Akaike (AIC) качества модели.
`AICc`	Маленький объем выборки откорректировал AIC.
`nAIC`	Нормированный AIC.
`BIC`	Байесовы информационные критерии (BIC).

Parameters

Ориентировочные стоимости параметров модели.

OptionsUsed

Набор опции используется для оценки. Если никакие пользовательские опции не были сконфигурированы, это - набор опций по умолчанию. Смотрите nlarxOptions для получения дополнительной информации.

RandState

Состояние потока случайных чисел в начале оценки. Пустой, если рандомизация не использовалась во время оценки. Для получения дополнительной информации смотрите rng.

DataUsed

Атрибуты данных используются для оценки, возвращенной как структура со следующими полями:

Поле	Описание
`Name`	Имя набора данных.
`Type`	Тип данных.
`Length`	Количество выборок данных.
`Ts`	Размер шага.
`InterSample`	Введите междемонстрационное поведение, возвращенное как одно из следующих значений: `'zoh'` — Нулевой порядок содержит, обеспечивает кусочно-постоянный входной сигнал между выборками. `'foh'` — Хранение первого порядка обеспечивает кусочно-линейный входной сигнал между выборками. `'bl'` — Ограниченное полосой поведение указывает, что входной сигнал непрерывного времени имеет нулевую силу выше частоты Найквиста.
`InputOffset`	Возместите удаленный из входных данных временного интервала во время оценки. Для нелинейных моделей это - `[]`.
`OutputOffset`	Возместите удаленный из выходных данных временного интервала во время оценки. Для нелинейных моделей это - `[]`.

Termination

Условия завершения для итеративного поиска, используемого для ошибочной минимизации предсказания, возвращенной как структура со следующими полями:

Поле	Описание
`WhyStop`	Причина завершения числового поиска.
`Iterations`	Количество поисковых итераций выполняется алгоритмом оценки.
`FirstOrderOptimality`	$\infty$ - норма вектора просмотра градиента, когда алгоритм поиска останавливается.
`FcnCount`	Число раз целевая функция было названо.
`UpdateNorm`	Норма вектора просмотра градиента в последней итерации. Не использованный, когда методом поиска является `'lsqnonlin'` или `'fmincon'`.
`LastImprovement`	Улучшение критерия последней итерации, описанной как процент. Не использованный, когда методом поиска является `'lsqnonlin'` или `'fmincon'`.
`Algorithm`	Алгоритм используется `'lsqnonlin'` или `'fmincon'` метод поиска. Не использованный, когда другие методы поиска используются.

Для методов оценки, которые не требуют числовой оптимизации поиска, Termination поле не использовано.

Для получения дополнительной информации об использовании Report, см. Отчет Оценки.

Алгоритмы